SP-MoMamba：用于高效图像超分辨率的超像素驱动状态空间专家混合模型

基于摘要分析。该研究面向图像超分辨率，针对 SSM 将二维图像转换为一维序列扫描时可能破坏语义关系、引入恢复伪影与失真的问题，提出 SP-MoMamba，将超像素的语义保持能力与 Mixture-of-Experts（MoE）结合。 核心模块 Superpixel-driven State Space Model（SP-SSM）以超像素特征作为语义单元，重新组织 SSM 的扫描方式；Multi-Scale Superpixel Mixture of State Space Experts（MSS-MoE）进一步整合不同尺度的 SP-SSM，以利用多个专家之间的互补语义信息。作者报告，这种整合减少了每个 SSM 需要处理的像素数量，并通过不同语义尺度的专家增强细节重建，以较低计算开销取得更好的性能。摘要未提供数据集、放大倍率、对照基线、重建指标或开销测量条件，因此尚不能量化或独立核验上述优势。超像素构建方式、专家路由、训练目标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可探索的迁移假设是，按有意义的局部单元组织扫描，或能缓解 EEG 时空表征被序列化时的邻域关系损失；这不是作者已验证的 BCI 结论。原方法依赖二维图像的空间邻域与多尺度语义结构，EEG 若采用电极拓扑图或时频图，需要重新定义分组、邻接关系及专家尺度，而不能直接套用图像超像素。可借鉴的是分组扫描与多尺度专家整合思路；低信噪比可能使分组追随噪声，跨被试差异、通道布局变化和小数据也可能削弱分组稳定性与专家训练。 一个可证伪的小实验是在固定 EEG 任务、模型预算与跨被试划分下，比较常规扫描、电极邻接分组扫描和随机分组扫描，并同时核对任务指标与计算开销；若邻接分组不能稳定优于随机分组，则该迁移假设缺乏支持。已有 EEG 相关工作尚未检索确认。